一、核心限流算法原理与实现
以下是五种主流限流算法的实现逻辑及特点分析：
1. 计数器算法（Fixed Window Counter）
-
原理
在固定时间窗口（如1秒）内统计请求数，超过阈值则限流。例如，1秒内允许100次请求，窗口滑动后重置计数器。 -
实现
AtomicInteger counter = new AtomicInteger(0);
long windowStart = System.currentTimeMillis();public boolean allowRequest() {
long now = System.currentTimeMillis();
if (now - windowStart > 1000) { // 窗口重置
counter.set(0);
windowStart = now;
}
return counter.incrementAndGet() <= 100;
} -
特点
-
- ✅ 优点：实现简单，内存消耗低。
- ❌ 缺点：窗口边界处可能出现突发流量（如两个窗口切换时瞬时流量翻倍）。
2. 滑动窗口计数器 （Sliding Window Counter）
- 原理
将固定窗口细分为多个小片段（如每100ms一个片段），动态滑动统计当前窗口内的总请求数。 - 实现
使用队列或环形数组记录每个片段的请求数，滑动时清理过期片段并累加当前窗口的请求量。 - 特点
-
- ✅ 优点：缓解固定窗口的临界问题，流量控制更平滑。
- ❌ 缺点：实现复杂度高，存储和计算开销随窗口细分程度增加而增长。
3. 漏桶算法（Leaky Bucket）
-
原理
请求像水一样倒入桶中，桶以固定速率"漏水"（处理请求）。若桶满，新请求被丢弃。 -
实现
ArrayBlockingQueue<Integer> bucket = new ArrayBlockingQueue<>(capacity);
public boolean allowRequest() {
return bucket.offer(1); // 桶满则返回false
}
后台线程按固定速率从桶中取出请求处理。
- 特点
-
- ✅ 优点：严格限制流出速率，平滑流量。
- ❌ 缺点：无法应对突发流量（突发请求需排队等待）。
4. 令牌桶算法（Token Bucket）
-
原理
系统以固定速率向桶中添加令牌，请求需消耗令牌。桶有容量上限，允许突发流量消耗积累的令牌。 -
实现（Guava RateLimiter示例）
RateLimiter limiter = RateLimiter.create(5.0); // 每秒生成5个令牌
if (limiter.tryAcquire()) {
// 处理请求
} -
特点
-
- ✅ 优点：支持突发流量，平滑与灵活性兼顾。
- ❌ 缺点：实现较复杂，需维护令牌生成和消耗逻辑。
5. 分布式限流算法
- 原理
在分布式系统中，通过Redis等中间件实现跨节点限流。常见方案包括：
-
- Redis + Lua：原子性操作保证计数一致性。
- 滑动窗口日志：记录每个请求时间戳，统计时间窗口内总数。
-
实现示例（Redis Lua脚本）
local key = KEYS[1]
local limit = tonumber(ARGV[1])
local current = redis.call('INCR', key)
if current == 1 then
redis.call('EXPIRE', key, 1) -- 1秒过期
end
return current > limit -
特点
-
- ✅ 优点：支持全局限流，适合高并发分布式场景。
- ❌ 缺点：依赖Redis性能，存在网络延迟风险。
二、算法对比与选型建议
|---------|-----------|----------|------------|---------|-------------------|
| 算法 | 实现复杂度 | 内存消耗 | 突发流量支持 | 平滑度 | 适用场景 |
| 固定窗口计数器 | 低 | 低 | 不支持 | 差 | 简单低频限流（如单机API计数） |
| 滑动窗口计数器 | 中 | 中 | 部分支持 | 中 | 常规API限流（需较高精度） |
| 漏桶算法 | 中 | 中 | 不支持 | 极佳 | 需严格恒定速率的场景（如支付系统） |
| 令牌桶算法 | 高 | 高 | 支持 | 佳 | 需兼顾突发与平滑的场景（如秒杀） |
| 分布式限流 | 高 | 高 | 支持 | 高 | 分布式系统全局限流（如电商大促） |
三、实际应用中的选型策略
- 单机场景
-
- 优先选择令牌桶算法（如Guava RateLimiter），兼顾突发流量与平滑性。
- 若需简单实现，可使用滑动窗口计数器。
- 分布式场景
-
- 使用Redis + Lua脚本实现分布式令牌桶或滑动窗口，保证原子性操作。
- 复杂场景可选用Sentinel 或Resilience4j等框架，内置多种限流策略。
- 特殊需求
-
- 严格恒定速率：漏桶算法（如网络流量整形）。
- 冷启动保护：令牌桶的预热模式（SmoothWarmingUp）。
四、总结
限流算法的核心目标是平衡系统负载与用户体验。选择时需结合业务场景特点：
- 高并发+突发流量：令牌桶算法。
- 严格速率控制：漏桶算法。
- 分布式全局限流：Redis + Lua或Sentinel。
实际应用中，可结合监控与动态调整（如自适应限流），进一步提升系统鲁棒性。